用户|8000字干货教你打造电商产品的用户体系( 三 )_

因此，想要精准描绘用户画像，关键在于获得更多的用户真实数据，包括用户的基本信息、行为数据等等。
在电商产品中，我们可以根据用户的基本数据、交易数据、电商行为数据等描绘出一个人或一群人的用户画像，用户数据越多则用户画像描述更准确。
因此阿里对于用户画像的描述非常准确，因为他可以通过淘宝天猫获取用户购物数据，通过支付宝获取用户实名信息、财务信息、投资信息等，通过高德地图获取用户出行信息，通过饿了么获取用户外卖信息，通过虾米音乐获取用户听音乐信息等等。将这些用户信息组合在一起后对于用户画像的描述是非常准确的。

文章插图
举个例子，我们可以根据用户在电商产品产生的数据，描绘出典型的男性购物者画像，其特点如下：

目的性强，决策速度快。
容易受到展品营销影响容易被孩子恳求说动。
不喜欢咨询，更喜欢自己研究，自己上网获取信息。

2. 应用场景用户画像最基本的应用场景主要有四个：数据挖掘、精准营销、产品迭代、用户研究。
数据挖掘主要是对收集到的数据进行挖掘分析，基于数据推荐用户可能喜欢的商品。常见的就是电商产品的猜你喜欢、智能推荐等。
精准营销指根据数据对用户打上不同的标签从而形成不同的用户群，在设计运营方案时根据不同用户群体的特点，设计针对性的营销手段以取得更好的营销效果。常见的有新人优惠，老客回归礼包等。
产品迭代指根据用户画像的数据，挖掘出不同用户群体对于产品的诉求，比如不同性别的用户对于产品的使用有什么差别、他们对于产品的期待是什么，这些都可以通过数据去反映。
用户研究指的是根据前期算法得出的画像，研究不同画像的用户的社会属性，用于指导产品的发展方向等。

文章插图
3. 用户模型我们建立用户模型的主要步骤是获取用户数据并对数据清洗，提取特征并将清洗后的数据放入模型进行训练测试。

文章插图
接着，我们介绍三个常见的用户模型。
第一个是购物性别判断模型，我们用这个模型去判断用户的性别。
首先我们要明确一点，用户填写的资料不一定真实，我们对他/她的性别数据持怀疑态度，需要其他数据辅助证明其性别，如订单数据。
以判断男性用户为例，我们需要综合其填写的信息与其订单数据，认为填写信息为男性且购买过的男性特征类目商品数量>购买过的女性特征类目数量的用户为男性用户。

文章插图
确定完模型的规则后，我们需要用到机器学习中的交叉验证方法去不断优化模型。简单来说就是先将样本分为训练集与测试集，比例可以自定。
其中训练集用来训练模型的数据能力，测试集用来测试模型的效果。最后用另一份样本做预测集，验证模型的预测能力。
比如我们输入预测集数据，得到其结果如下。
以第一列为例，预测集数据为1500000个男性，实际模型预测为男性样本数为1403749，预测准确率为93.58%。我们可以据此继续对模型调优提升其预测准确率。
上述只是简单描述，这部分工作主要由开发完成，但是作为产品经理基本的原理还是可以了解一下。